Scipy minimize的trust-constr方法如何处理Hessian非正定情况？

你当前的场景：通过from scipy.optimize import minimize对带两个约束的函数做极小化，采用需要提供函数值、梯度和Hessian矩阵的trust-constr方法，但Hessian有时会出现负特征值（非正定），希望算法持续向极小值方向迭代而非收敛到鞍点。

核心结论 #

trust-constr无法100%保证不收敛到鞍点，但它的信任域机制能降低这种风险，具体原因和应对方式如下：

trust-constr对鞍点的规避逻辑 #

• 不同于普通牛顿/拟牛顿方法直接依赖Hessian生成步长，trust-constr的信任域框架会限制步长的探索范围。当Hessian非正定时，算法不会直接采用可能指向鞍点的牛顿步，而是在信任域内寻找一个可靠的下降方向，减少落入鞍点的概率。
• 但对于非凸问题，若初始点紧邻鞍点，或者鞍点附近的下降梯度极缓，算法仍有可能收敛到鞍点——这是非线性优化算法的普遍局限，没有绝对的规避方案。

实际优化建议 #

• 加入鞍点检测与重启策略：当检测到当前点满足梯度接近零且Hessian存在负特征值时，在当前点附近随机生成新初始点，重新启动优化。
• 调整信任域参数：缩小initial_tr_radius（初始信任域半径），让算法在Hessian非正定时更保守地探索下降方向，降低误判风险。
• 确保Hessian准确性：如果Hessian是数值近似或手动计算的，务必验证其正确性——Hessian的误差会大幅增加算法收敛到鞍点的概率。

内容的提问来源于stack exchange，提问作者S R Maiti